Hugging Face تُظهر كيف يمكن بناء وكيل ذكاء اصطناعي للطقس باستخدام smolagents خلال 15 دقيقة

تُظهر مكتبة smolagents من Hugging Face أن بناء أول وكيل ذكاء اصطناعي مفيد ممكن دون أطر عمل ثقيلة ودون مئات الأسطر من الكود. في هذا الشرح، يبني المؤلف مساعدًا للطقس بلغة Python. يقرر المساعد بنفسه أي الأدوات يستدعي، ويجلب البيانات من الإنترنت، ثم يعيد إجابة جاهزة.

ما الذي يميّز smolagents؟

الفكرة الأساسية هنا ليست الطقس، بل النهج. smolagents مكتبة مخصصة لما يُسمّى code agents، حيث لا يكتفي النموذج باختيار أداة من قائمة، بل يكتب مقاطع صغيرة من كود Python لربط الخطوات بعضها ببعض. فبدلًا من مخططات JSON ومنسّقات المهام الطويلة، يُعطى الوكيل هدفًا مثل «اعرف الطقس في لندن»، ثم يقرر بنفسه أي tool يستدعي، وبأي ترتيب، وكيف يجمّع الإجابة النهائية.

يجعل هذا الأسلوب سلوك الوكيل أوضح وأكثر مرونة. فالكود يعبّر عن الحلقات والشروط وتحويل البيانات بشكل أفضل من التعليمات النصية ذات القواعد الصارمة. وللمبتدئين، هذا أيضًا مدخل مريح: فالمكتبة مفتوحة وخفيفة ولا تُلزم بإعداد بنية تحتية معقدة. لذلك لا تبدو smolagents طبقة تجريبية أخرى فوق LLM، بل وسيلة عملية لفهم آلية سيناريوهات الذكاء الاصطناعي المستقلة بسرعة.

كيف نبني الوكيل

يبدأ كل شيء في العرض التوضيحي بتحضير أساسي جدًا: إنشاء مجلد للمشروع، وتشغيل بيئة افتراضية، وتثبيت ثلاث حزم فقط هي `smolagents` و`requests` و`python-dotenv`. يُقترح حفظ token الخاص بـ Hugging Face في متغير البيئة `HF_TOKEN`، ومن لا يريد تثبيت أي شيء محليًا يمكنه استخدام Google Colab. ومنذ هذه المرحلة يظهر الاستنتاج الرئيسي للمادة: لا حاجة إلى حزمة تقنيات كبيرة لبناء أول وكيل، فيكفي Python والوصول إلى نموذج ودالة خارجية واحدة.

• يحوّل `@tool` دالة Python عادية إلى أداة يستطيع الوكيل استدعاءها بنفسه.
• تتصل الدالة `get_weather(city: str)` بخدمة `wttr.in` وتعيد توقعات موجزة للمدينة المطلوبة.
• يُستخدم كنموذج `InferenceClientModel` مع `Qwen/Qwen2.5-Coder-32B-Instruct` وtoken من `HF_TOKEN`.
• يُنشأ الوكيل نفسه عبر `CodeAgent`، الذي تُمرَّر إليه قائمة tools والنموذج والعلم `add_base_tools=False` للحصول على أبسط إعداد.

بعد ذلك يبقى تشغيل المهمة بعبارة عادية، كأن يُطلب من الوكيل ذكر الطقس في باريس وطوكيو. ثم تأتي الخطوة الأكثر إثارة: يقرأ النموذج الـ prompt ويدرك أن لديه الأداة `get_weather`، فيكتب سيناريو Python داخليًا يتضمن استدعاءين، وينفّذه في بيئة معزولة، ويعيد للمستخدم إجابة جاهزة.

ثمة تفصيل مهم هو docstring الخاص بالدالة. فمن خلاله يفهم الوكيل ما تفعله الأداة، وما الوسائط التي تقبلها، ومتى ينبغي استخدامها.

كيف نوسّع السيناريو

لا ينتهي المثال عند الطقس. فالمقال يوضح كيفية إضافة أداة ثانية هي `save_to_file`، تحفظ تقريرًا نصيًا في ملف. بعد ذلك لا يقتصر الوكيل على التوجه إلى API خارجي، بل يمكنه اتخاذ الخطوة التالية في البيئة المحلية: كتابة النتيجة، مثلًا في الملف `london_weather.txt`. وهذا الانتقال مهم، لأن اجتماع أدوات صغيرة هو ما يحوّل العرض التوضيحي إلى نواة لسير عمل حقيقي.

ومن القالب نفسه يسهل أن تنمو حالات استخدام أكثر فائدة: ربط search API، أو العمل مع قاعدة بيانات، أو إعداد بحث بسيط، أو حتى التحكم في المتصفح. ويؤكد المؤلف على نحو خاص أن جوهر المنطق هنا مضغوط للغاية: فرغم كل مظاهر الاستقلالية، يتسع الجزء الأساسي من المثال لأقل من عشرين سطرًا تقريبًا، ويبقى السكربت كله في حدود أربعين سطرًا. وبذلك ينخفض حاجز الدخول إلى سيناريوهات الوكلاء بشكل حاد: فأنت لا تفكر في إطار العمل، بل في الإجراءات التي ينبغي منحها للنموذج.

ماذا يعني ذلك

تُبرز smolagents تحولًا مهمًا: لم يعد بناء مساعدين مستقلين حكرًا على الفرق الكبيرة ذات طبقة orchestration الخاصة بها، بل بات ممكنًا لشخص واحد في أمسية واحدة. وبالنسبة للمطورين، هذه طريقة سريعة لإنشاء نماذج أولية لأتمتة الذكاء الاصطناعي بلغة Python المألوفة، أما بالنسبة للمنتج فهي فرصة لاختبار سيناريو مفيد قبل الاستثمار في بنية معمارية معقدة.